基于领域知识的个性化推荐模型及其应用研究

首先,讨论了传统电子商务领域个性化推荐算法及其应用,提出传统推荐方法通常忽视了领域知识,因而在实际应用中存在局限性;然后,讨论了领域知识的相关概念和分类,并在此基础上建立了结合领域知识的两阶段推荐模型;最后,基于网络超市数据进行了实证研究,实验结果表明改进后的推荐算法效果要明显优于传统的个性化推荐算法.     

基于协同过滤算法的高校图书馆图书推荐系统研究

基于协同过滤算法是个性化推荐系统中最基本、最常用的一种,而传统的基于用户的协同过滤算法存在着用户冷启动和高推荐率等问题。笔者针对目前图书推荐协同过滤算法运用中存在的问题,并根据高校图书馆的实际情况,提出相应的改进措施。笔者利用学生网络日志和读者借阅记录对用户进行相似性分析,有效解决了用户“冷启动”的问题,提高了推荐准确率。笔者利用时间衰减法建立用户兴趣模型,以便更好地关注用户的短期借阅行为,提高推荐准确率。与传统用户协同过滤方法相比,笔者提出了一种改进的用户协同过滤方法。结果表明,改进后的用户协同过滤方法具有更好的性能。     

基于协同过滤的电子商务推荐系统建模研究

电子商务个性化推荐系统是客户关系管理的重要内容.在分析现有电子商务推荐系统不足的基础上,设计一种基于协同过滤的智能商务推荐系统.为客户快捷便利地寻找到所需的商品信息,推荐合理的商品,实现客户与商家的共赢.     

基于xMOOC和cMOOC的混合教学模式研究

在教育信息化背景下,大规模开放在线课程（MOOC）通过使用互联网技术,创新了教学形式,给传统高等教育带来巨大冲击。但是,随着MOOC的迅速发展,其实践中的问题也逐步显现,并引起广泛关注。本文通过比较MOOC的两种课程模式cMOOC和xMOOC,分析了二者在教学理念和教学模式上的差异及各自的优劣势,提出了基于MOOC的混合教学模式。     

基于用户画像的个性化图书推荐研究

目的/意义:运用个性化推荐服务,满足高校读者的个性化需求。方法/过程:首先分析读者身份信息和历史借阅行为信息数据,然后创建图书馆读者的用户画像标签模型,最后结合个性化推荐算法构建智慧阅读推荐系统。结论:图书馆可以通过用户画像标签快速了解读者群体的兴趣方向。     

基于社交综合信任和商品流行度的推荐模型研究

基于信任的推荐方法对用户之间的关系特征描述较为单一的问题,综合考虑用户关系网络和交互行为,融合用户由局部交互而产生的互动强度,在社交网络树立的全局声誉及因个人喜好而产生的偏好相似构建社交综合信任评估模型,以融合后的社交综合信任度取代传统协同过滤推荐方法中的相似度,以提高识别邻居的能力,并在此基础上引入商品流行度因素,将其作为调整因子对目标用户进行评分预测。在Epinions数据集上的对比实验结果表明,所提出的社交综合信任评估模型能够显著提高推荐准确性,且通过商品流行度的引入能够进一步提高推荐效果。     

主动遗忘、组织学习与零售专业技能跨国转移——基于沃尔玛、家乐福和宜家的案例分析

本文以沃尔玛、家乐福、宜家三家外资零售企业为案例研究对象,运用探索性案例研究方法 ,初步构建了主动遗忘、组织学习对零售专业技能跨国转移影响的概念模型。研究发现,主动遗忘、组织学习与零售专业技能跨国转移效果正相关,这对于零售专业技能跨国转移理论进行了有益的扩展与补充。     

基于稀疏共享的多门混合专家下一个兴趣点推荐算法

下一个兴趣点(next POI)推荐指的是预测用户在特定时间段内将访问的下一个兴趣点。用户出行模式受到异构的上下文因素影响,包括连续值(例如地理距离、时间间隔)和离散值(例如社交状况、星期状况)。本文采用稀疏共享的结构来产生专家网络,并采用多门混合专家模型来实现多个目标任务之间的参数共享。本文基于多任务学习对用户的多种类型行为进行建模,提出了一种基于稀疏共享的多门混合专家模型。首先,使用稀疏共享结构针对每个目标任务从基础网络中生成对应的专家网络,并采用迭代幅度剪枝法选择专家网络。其次,多门混合专家模型采用专家网络作为输入层,每个专家网络对于输入信息的处理具有不同的侧重,并采用多个门网络对任务目标进行专家网络的共享选择。最后,基于真实数据集对所提出的算法进行评估,验证了本文方法的有效性和实用性,以及将多任务学习和稀疏结构共享应用于下一个兴趣点推荐的前景。文章最后也提出了管理启示。     

基于Web信息挖掘的关联推荐算法研究与实现

使用Web数据挖掘技术对用户需求进行分析,其中实现Web信息个性化使用的是关联规则,这一规则能够为用户提供个性化服务,目前已成为Web应用技术的研究热点。该文分析了应用于个性化推荐的Web页面关联规则的特点,对Web数据挖掘技术常用的关联推荐算法进行探讨,内容主要涉及到Web数据挖掘技术、关联推荐算法的思路、算法分析。     

基于最近距离投影的DEA两阶段效率评价方法研究

数据包络分析是进行效率评价最重要的方法之一。传统的数据包络分析理论主要寻找有效前沿面上的最远距离投影,在极大化无效性指数的同时也面临着效率改进的巨大难度和高额成本。对于具有两阶段内部生产结构的决策单元,本文从考虑最小改进难度的视角出发,提出了最近距离投影的两阶段效率评价方法。该方法首先得到所有强有效决策单元的线性组合,且这些组合均占优于被评价的两阶段决策单元。然后建立了两阶段范围调整效率评价模型,在确定具有最近投影距离的占优组合的同时,得到了两阶段评价效率。最后,本文运用我国32家上市银行的年度数据对所提出方法进行了应用验证。     

基于Mo-RVIKOR的混合多属性决策方法

针对复杂性和不确定性多属性决策问题,考虑定量和定性融合的属性形式,提出了模块化随机多准则妥协解排序法（Modular Random VlseKriterijumska Opti-mizacija I Kompromisno Resenje,Mo-RVIKOR）,该方法无需将信息统一,就能处理多种信息形式存在的多属性决策问题。采用精确数、随机变量处理定量评价信息,用概率语义术语集处理定性评价信息;通过改进离差最大化法确定属性权重;根据Mo-RVIKOR对决策对象进行排序;最后以某公司C2B定制化服务质量评测项目为例,验证了所提方法的有效性。     

混合HOGA-SVM财务风险预警模型实证研究

目前涉及遗传算法与支持向量机相结合的预测模型中,遗传算法基本上采用的是标准算法.但是在对全局函数的优化中,一般的遗传算法容易陷入局部最优,从而降低遗传算法收敛速度和搜索精度,进而影响财务风险预警模型的精度与速度.基于此,提出了基于混合全局优化正交遗传算法(HOGA)和支持向量机(SVM)的财务风险预警模型(HOGA-SVM),通过使用混合全局优化正交遗传算法连同支持向量机来改进支持向量机进行财务风险预警的效果.结果显示,提出的模型不仅提高了财务风险预警的准确率和速度,而且模型的两类分类错误率(尤其是第一类分类错误率)相对其他模型也有了明显下降.未来的工作可以把模型的应用扩大到多分类的财务风险预警问题中.